申请/专利权人:杭州安恒信息技术股份有限公司
申请日:2020-01-13
公开(公告)日:2023-10-31
公开(公告)号:CN111241446B
主分类号:G06F16/958
分类号:G06F16/958;G06F18/243;H04L67/02
优先权:
专利状态码:有效-授权
法律状态:2023.10.31#授权;2020.06.30#实质审查的生效;2020.06.05#公开
摘要:本申请公开了一种web网页的正文内容提取方法,包括:根据目标web网页的源代码确定出与目标web网页对应的DOM树;其中,DOM树的叶子节点表示目标web网页中的网页内容;按照预设规则对各网页内容进行监听埋点,并统计用户对各网页内容的操作信息;利用预先训练出的决策树根据文本密度规则、目标web网页的页面布局、各网页内容对应的操作信息分别判断各网页内容是否为正文内容,提取出目标web网页的正文内容。本方法能够提高提取web网页中的正文内容的准确度。本申请还公开了一种web网页的正文内容提取装置、设备及计算机可读存储介质,均具有上述有益效果。
主权项:1.一种web网页的正文内容提取方法,其特征在于,包括:根据目标web网页的源代码确定出与所述目标web网页对应的DOM树;其中,所述DOM树的叶子节点表示所述目标web网页中的网页内容;按照预设规则对各所述网页内容进行监听埋点,并统计用户对各所述网页内容的操作信息;利用预先训练出的决策树根据文本密度规则、所述目标web网页的页面布局、各所述网页内容对应的操作信息判断各所述网页内容是否为正文内容,提取出所述目标web网页的正文内容;所述统计用户对各所述网页内容的操作信息具体包括:统计所述用户浏览各所述网页内容的时间长度和或所述用户对各所述网页内容的点选操作的次数和或所述用户在各所述网页内容上进行的输入操作的次数。
全文数据:
权利要求:
百度查询: 杭州安恒信息技术股份有限公司 一种web网页的正文内容提取方法、装置、设备及介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。